Vibecod­ing: Jak může ten­to trend pomo­ci a na co si dávat pozor?

Vibecod­ing zna­mená tvor­bu soft­waru s pomocí AI a přirozeného jazy­ka. Zatím­co laikům čas­to připomíná spíše ​„hurá akci“ bez důk­lad­né analýzy, zkušenější vývo­jáři dokážou díky nástro­jům jako Cur­sor dosáh­nout kval­it­nějších výsled­ků. Ovšem je nut­né si pře­dem jas­ně nadefi­no­vat architek­tu­ru a cíle pro­jek­tu. Největší výzvou zůstává bezpečnost. ​„Mod­e­ly sklá­da­jí nejpravděpodob­nější odpověď. Pokud v tréno­vacích dat­e­ch byla chy­ba, objeví se i ve výsled­ném kódu,“ upo­zorňu­je Sušický s tím, že na rozdíl od tradičního vývo­je se zde čas­to vynechává code review či bezpečnos­t­ní kontrola. 

„Tradiční vývoj má zabu­dované fáze, jako je code review nebo bezpečnos­t­ní kon­tro­la. U vibecodin­gu se na ně ale čas­to zapomíná,“ říká Sušický. Nabízené bezpečnos­t­ní funkce v AI plat­for­mách podle něj zatím nedosahu­jí úrovně lid­ského pentestera. 

Vibecod­ing muže být užitečným nástro­jem při rych­lém pro­to­ty­pování i drob­ných agilních úpravách, vyžadu­je však opa­trnost a kri­t­ický příst­up k výsled­kům poskyt­nutým AI. Klíčové je podle Sušick­ého vědět, co přes­ně chceme, a vždy provádět důk­lad­né review. ​„Mod­e­ly nikdy neb­u­dou číst myšlenky – když člověk neví, co potře­bu­je, AI to za něj nevymys­lí,“ zdůrazňu­je. V praxi mu vibecod­ing pomohl napřík­lad při prá­ci s neznámým API, kde si nechal vygen­erovat kód a násled­ně jej nechal opti­mal­i­zo­vat přidáním cache. V kyber­bezpečnos­ti pak oceňu­je možnost rych­le naskrip­to­vat trans­for­ma­ce dat nebo pocho­pit kód v neznámém jazyce, přesto vždy zvažu­je rizika spo­jená se sdílením dat. 

Na otázku, zdali se může ten­to příst­up uplat­nit i v tak reg­ulo­vaných sek­torech, jako je bankovnictví nebo zdravot­nictví, odpověděl Sušický ano, ale musí být vhod­ně nas­tavená pravid­la. ​„Je tře­ba zkoumat, jak mod­el s daty pracu­je, kde jsou ulože­na a kdo k nim má příst­up. Do budouc­na by část obav mohly vyřešit lokál­ní mod­e­ly běžící pří­mo u zákazníků, které zajistí plnou kon­trolu nad citlivý­mi infor­ma­ce­mi. Ste­jně důležitá je i edukace uži­vatelů – aby výsled­ky AI brali s rezervou. 

Sušický má s vibecodingem zkušenos­ti přede­vším s nástro­ji GitHub Copi­lot a Cur­sor, přičemž aktuál­ně dává před­nost druhé­mu díky možnos­ti pra­co­v­at s širok­ou škálou mod­elů. Podrob­né srovnání mezi nimi sice sám neprováděl, ale podle něj už dnes exis­tu­je dostatek veře­jně dos­tup­ných bench­marků, které ukazu­jí sil­né i slabé stránky jed­notlivých řešení. 

Co se týká příno­su vibecodin­gu pro tým, záleží podle něj na složení týmu – zatím­co méně zkušení vývo­jáři mají ten­den­ci slepě důvěřo­vat AI, což vede k chy­bám a pot­laču­je kreativ­i­tu, něk­teří zkušení pro­gramá­toři naopak AI kat­e­goricky odmí­ta­jí. ​„Věřím, že AI dokáže zvýšit pro­duk­tiv­i­tu týmů a rozšířit jejich schop­nos­ti,“ uzavírá. 

A jak by mohla vypa­dat budouc­nost toho­to tren­du? Podle Sušick­ého se role vývo­jářů pos­tup­ně posune více k architek­tům řešení. Neb­ude už tolik záležet na znalosti konkrét­ního pro­gramovacího jazy­ka, ale na schop­nos­ti správně navrhnout a pop­sat, co má soft­ware dělat. Upo­zorňu­je také na méně disku­to­vaný trend: kle­sající zájem o plat­formy typu Stack Over­flow, které AI mod­e­ly využí­va­jí pro své učení. To podle něj před­stavu­je výzvu pro tvůrce, kteří budou muset hle­dat kval­it­ní zdro­je dat. 

Zájem­cům o vibecod­ing doporuču­je pos­tupo­vat pos­tup­ně a brát jej jako doplněk ke kla­sick­ým pos­tupům, nikoli jejich náhradu. ​„Najděte si menší mod­ul nebo miniap­likaci, na které si nástro­je vyzk­oušíte, a porovne­jte výsledek i čas potřeb­ný k dosažení cíle s původ­ním odha­dem,“ radí. Součas­ně doporuču­je otesto­vat více plat­forem, pro­tože to, že jeden nástroj nevy­hovu­je, ještě nez­na­mená, že nevy­hovu­jí všechny.